인공지능

미국 스타트업 타우 로보틱스가 샌프란시스코에서 휴머노이드 로봇 청소 서비스를 시작했다. 아직은 사람이 원격으로 조종해야 하지만, 로봇은 점차 스스로 청소하는 법을 배워가고 있다.

중국 피지컬 AI 산업의 경쟁 영역이 휴머노이드 양산에서 반도체와 데이터, 로봇 지능, 정밀 부품, 산업 현장 상용화로 확대되고 있다. MIT 테크놀로지 리뷰 코리아는 중국 피지컬 AI 산업을 대표하는 50개 기업과 사업을 선정해 기술력과 실제 성과를 분석하고, 산업의 경쟁 구조와 성장 가능성을 살펴봤다.

'인공지능(AI)'을 ‘슈퍼 인텔리전스(SI)’로 바꿔 부르라는 조치가 시행된 지 한 달이 지났지만 새 명칭은 좀처럼 확산되지 않고 있다. 그럼에도 AI를 둘러싼 미국 사회의 논의에는 혼란을 불러올 가능성이 크다.

AI 모델의 내부 작동 원리를 완전히 이해하지 못하더라도 적절한 보상과 규칙을 설계해 원하는 행동을 유도하는 ‘역게임 이론’이 새로운 AI 통제 방안으로 주목받고 있다.

개인용 AI 비서의 등장으로 인터넷은 더 이상 인간만을 위한 공간이 아니다.

AI 기술의 발전은 로봇이 인간처럼 세상을 누비는 미래의 가능성을 엿보게 해준다. 그렇다면 최근 AI의 발전을 이끈 바로 그 기술만으로 그러한 미래를 실현할 수 있을까, 아니면 완전히 새로운 접근법이 필요할까?

앤트로픽은 그동안 자사에 유리한 프레임을 구축하며 대중의 신뢰를 쌓아왔다. 이번 기업공개(IPO)는 베일에 가려졌던 이 회사의 실체를 드러내는 시험대가 될까, 아니면 AI 신화를 더욱 공고히 하는 계기가 될까?

AI 신경망의 작동 원리에 대한 새로운 관점으로 주목받은 닉 카마라타 굿파이어 연구원을 단독 인터뷰해 그의 생각을 들어봤다.

AI 에이전트의 확산으로 기존 인터넷의 질서가 흔들리고 있다. AI 에이전트 중심으로 인터넷이 재편되면 사람들의 이용 경험은 오히려 악화될 수 있다는 우려가 나온다.

MIT 연구진은 클로드 기반 AI 에이전트가 가상 무인도에서 스스로 놀이와 도전 과제를 만들어 탐색하고, 그 경험을 바탕으로 이후 과제 수행 능력도 높일 수 있다는 사실을 확인했다.

개방형 AI 모델의 위험과 이점, 그리고 공개 여부를 둘러싼 복잡한 쟁점을 짚어봤다.

모델 개발부터 반도체, 로봇, 산업 현장까지. 한국 AI의 경쟁력은 어디에서 만들어지고 있는가. 그 답을 찾기 위해 변화를 이끄는 30인을 선정했다. THE AI 30은 MIT 테크놀로지 리뷰 코리아 편집국이 독자적으로 기획하고, 지난 1년 추적 취재와 외부 전문가 심사를 거쳐 선정한 연간 리스트다.

AI 기업들이 폐업한 스타트업의 데이터를 학습용으로 사들이면서 새로운 데이터 거래 시장이 형성되고 있다.

위험한 요청을 막는 ‘거부’는 AI의 핵심 안전장치가 됐다. 하지만 완벽하지 않은 이 기술은 검열과 억압의 수단이 되거나 인간의 통제를 벗어날 위험도 안고 있다.

AI가 과학자의 질문에 답하는 수준을 넘어 어떤 가설부터 실험할지 우선순위까지 제안하기 시작했다. 가설이 넘쳐나는 시대, AI for Science의 다음 시험대는 ‘아이디어 생성’이 아니라 그 판단을 얼마나 믿을 수 있느냐다.

아이디어를 실물로 구현해 검증하는 프로토타이핑으로 이름을 알린 글로벌 디자인 기업 IDEO. 그 강점을 생성형 AI가 누구에게나 열어주기 시작했다. 사반나 쿠노프스키 IDEO AI 총괄에게 이 변화가 디자인과 혁신의 방식을 어떻게 바꾸고 있는지 물었다.

전 세계적으로 AI에 대한 반감이 커지고 있지만 AI 이용자는 오히려 빠르게 늘고 있다.

마크 첸 오픈AI 최고연구책임자(CRO)가 잇단 AI 에이전트 해킹 사고 이후 강화한 안전 대책과 개발 속도 조절 방안을 설명했다.

앤트로픽이 950개의 AI 에이전트를 동원해 20만 개가 넘는 효소 데이터를 분석하고 새로운 효소 시스템의 특이한 패턴을 찾아냈다고 발표했다. 하지만 생물학계에서는 단순한 패턴 발견과 실제 생물학적 기능을 밝혀내는 것은 전혀 다른 문제라는 지적이 나온다.

프런티어 AI 기업들이 전문가를 동원해 최신 AI 모델을 위한 새로운 데이터를 직접 만들고 있다. 삼성전자에서 AI 학습 데이터를 다뤄 온 김민수 PL은 이 변화가 데이터 선별을 넘어 생성·검증·재학습이 이뤄지는 ‘셀프 이볼빙 데이터’로 확장되고 있다고 설명한다.